Bạn đang xem bài viết Terms And Conditions For Sale Of Products And Services được cập nhật mới nhất trên website Bac.edu.vn. Hy vọng những thông tin mà chúng tôi đã chia sẻ là hữu ích với bạn. Nếu nội dung hay, ý nghĩa bạn hãy chia sẻ với bạn bè của mình và luôn theo dõi, ủng hộ chúng tôi để cập nhật những thông tin mới nhất.
17. Sức Khỏe Và An Toàn
(a) Các Bên sẽ tuân thủ tất cả các luật áp dụng, các quy tắc và/hoặc quy định về sức khỏe và an toàn của người lao động và/hoặc nhân viên cũng như sức khỏe và an toàn của cộng đồng trong vùng lân cận. Khách hàng sẽ cung cấp và bảo đảm rằng các nhân viên, các đại lý, các nhà thầu hoặc nhà thầu phụ của mình sẽ cung cấp môi trường làm việc an toàn cho Nhân sự và các đại diện khác, và sẽ thực hiện các biện pháp do pháp luật quy định và bất kỳ biện pháp cần thiết khác nhằm ngăn chặn các tai nạn tại địa điểm và để đảm bảo sức khỏe và an toàn cho Nhân sự tại địa điểm. Khách hàng sẽ thông báo kịp thời cho Nhân sự về các biện pháp an toàn cần thiết và tư vấn cho Signify tất cả các yêu cầu và thủ tục áp dụng cụ thể tại địa điểm về sức khoẻ, an toàn, an ninh và môi trường. Signify có quyền, nhưng không có nghĩa vụ, tuỳ từng thời điểm, xem xét và kiểm tra các tài liệu, thủ tục và điều kiện về sức khỏe, an toàn, an ninh và môi trường được áp dụng tại địa điểm. (b) Khách hàng sẽ đảm bảo rằng không có các vật liệu nguy hiểm tại địa điểm. Nếu có các vật liệu nguy hiểm, Khách hàng sẽ và sẽ đảm bảo rằng các nhân viên, các đại lý, các nhà thầu và nhà thầu phụ của mình xử lý các vật liệu này một cách thoả đáng và nếu có áp dụng, sắp xếp việc di dời và loại bỏ phù hợp các vật liệu này bằng chi phí của Khách hàng. Nếu, theo ý kiến hợp lý của Signify, sức khỏe, an toàn và an ninh của Nhân sự hoặc địa điểm bị, hoặc có thể bị, đe dọa bởi các rủi ro an ninh, nguy cơ hoặc hành động khủng bố hoặc có sự xuất hiện hay nguy cơ tiếp xúc với các vật liệu nguy hiểm, hoặc các điều kiện làm việc không an toàn, thì Signify có thể, ngoài các quyền và biện pháp khắc phục khác sẵn có, sơ tán một số hoặc tất cả Nhân sự khỏi địa điểm (với sự hỗ trợ hợp lý từ Khách hàng), đình chỉ việc thực hiện tất cả hoặc bất kỳ phần nào của Hợp đồng và/hoặc thực hiện hoặc giám sát từ xa Dịch vụ (nếu có thể) mà không có thêm trách nhiệm pháp lý nào nữa với Khách hàng.
Chiến Lược Dòng Sản Phẩm (Product Lining) Là Gì?
So với product bundling, đây là một chiến lược đưa ra nhiều hơn một sản phẩm để tạo ra sự khác biệt và giá trị lớn hơn. Các sản phẩm trong dòng sản phẩm có thể có nhiều kích cỡ, màu sắc, chất lượng, hoặc giá cả. Lợi ích từ việc có một chiến lược dòng sản phẩm thành công chính là tăng cường nhận diện thương hiệu để lấy được lòng trung thành của khách hàng và gia tăng doanh số. Nó làm tăng khả năng khách hàng sẽ mua sản phẩm mới mà công ty vừa bổ sung vì họ cảm thấy hài lòng vì các sản phẩm cùng dòng đã mua trước đó.
Chiến lược định giá theo dòng sản phẩm (Product line pricing)
Product line pricing là chiến lược về giá sản phẩm, được sử dụng khi một công ty có nhiều sản phẩm trong một dòng sản phẩm. Đó là một quá trình mà người bán sắp xếp các sản phẩm cùng loại vào các nhóm giá khác nhau để tạo ra các mức chất lượng khác nhau trong tâm trí của khách hàng.
Saga lấy ví dụ, các nhà sản xuất xe hơi sản xuất xe của họ với các mô hình khác nhau như mô hình tiết kiệm, mô hình thân thiện với môi trường, mô hình xa xỉ và nhiều hơn nữa. Mỗi một mô hình trong số đó có một chi phí và giá cả riêng để hiển thị sự khác biệt về mức độ.
Dòng Giá/ Phân khúc giá (Price lining)
Price lining là phương pháp định giá các sản phẩm khác nhau với mức giá giới hạn. Chiến lược này dễ quản lý hơn và các công ty cũng có thể dự đoán lợi nhuận dễ dàng hơn nhiều. Dollar Store là một ví dụ tuyệt vời về price lining vì tất cả các sản phẩm bán ra đều có giá là 1$.
Định giá bán kèm (Captive Pricing)
Captive Pricing là một chiến lược thu hút lợi ích của người tiêu dùng và khuyến khích việc mua hàng bằng cách cung cấp một sản phẩm cơ bản với mức giá thực sự thấp, tuy nhiên, họ sẽ phải mua thêm các mặt hàng để có được giá trị đầy đủ của sản phẩm mà họ đã nhận được. Mặc dù nhà bán lẻ có thể bị mất lợi nhuận trên mặt hàng đầu tiên, nhưng họ sẽ thu lại từ các sản phẩm bổ sung mà khách hàng mua. Ví dụ, công ty sản xuất dao cạo thường bán dao cạo râu với một mức giá cực rẻ nhưng khi bán thêm hộp lưỡi dao thì mức giá sẽ cao hơn nhiều. Captive Pricing có hiệu quả nhất khi không có các sản phẩm tương tự từ các đối thủ cạnh tranh trong cùng một mức giá.
Định giá theo gói (Bundled Pricing)
Bundled Pricing là cách tiếp cận để bán sản phẩm và các phụ kiện hoặc các lựa chọn khác kèm theo như là một sản phẩm với một mức giá duy nhất. Người tiêu dùng sẽ không cần phải mua từng mặt hàng riêng biệt mà chỉ cần một gói các mặt hàng và có giá như là một sản phẩm. Điều này sẽ hấp dẫn khách hàng bởi vì thông thường những sản phẩm đó sẽ được bày bán và vẫn để nguyên giá trên sản phẩm để nhấn mạnh sự chênh lệch giá cả. Ví dụ, các nhà bán lẻ sẽ đưa ra gói mua một máy tính mới với các phụ kiện của nó, chẳng hạn như bàn phím và chuột.
Thuật ngữ marketing cho việc thêm vào một sản phẩm có chất lượng tốt hơn những sản phẩm khác trong dòng được gọi là trading up, brand leveraging hoặc up-market stretch. Mở rộng dòng sản phẩm có chất lượng thấp được gọi là trading down hoặc down-market stretch. Trading down có khả năng làm cho brand equity (tài sản thương hiệu) giảm do việc đánh đổi doanh số bán hàng ngắn hạn với doanh số bán hàng dài hạn. Thuật ngữ “stretching the line” có nghĩa là “nới dòng” sản phẩm theo cả hai hướng.
Long Term Interferometric Temporal Coherence And Dinsar Phase In Northern Peatlands
Institute of Ecology and Earth Sciences, University of Tartu, 46 Vanemuise St., 51014 Tartu, Estonia
School of Electrical Engineering, Aalto University, Maarintie 8, 02150 Espoo, Finland
Marine Systems Institute, Tallinn University of Technology, Akadeemia Rd. 15a, 12618 Tallinn, Estonia
Author to whom correspondence should be addressed.
Received: 12 April 2020 / Revised: 4 May 2020 / Accepted: 11 May 2020 / Published: 14 May 2020
1. Introduction
Considering that the conventional Differential SAR Interferometry (DInSAR) technique only employs two SAR images at the time, there is a potential for relatively easy use of DInSAR in near-real-time routine monitoring work [ 19]. Nevertheless, the conventional two image DInSAR is known to have significant limitations in terms of spatial-temporal decorrelation and signal contamination due to troposphere/ionosphere-called atmospheric delays [ 19]. Therefore, it is mainly limited to the areas with very good coherence or used as a basis for time series analysis of InSAR data [ 20], known also as Persistent Scatterer Interferometry (PSI) [ 21] or multi-temporal InSAR [ 19], which enables overcoming these two limitations [ 19, 20, 21]. However, many PSI techniques account for linear motion which notably complicates estimation of all phenomena characterized by non-linear deformation behaviour [ 20, 21]. On the other hand, non-linear methods suffer the limitation caused by the ambiguous nature of the phases [ 21].
Thus, the objective of this study is to address the research gap and examine feasibility of Sentinel-1 InSAR to capture the seasonal vertical oscillation of peat surface and ground water table in the northern raised bog. So far, there have been only a few non-exhaustive trials from different peatland types [ 24, 27, 32]. Regarding the non-linear nature of seasonal surface oscillation and high InSAR coherence of the open bog as reported by [ 25, 39], the time series of conventional DInSAR image pairs are deployed in this study.
2. Study Area and Material
2.1. Study Area
Endla Nature Reserve (10,161 ha) is situated in central Estonia (58.88°N, 26.18°E). The reserve protects a diverse system of wetland habitats, the Endla mire complex and springs. Approximately half of the territory is covered by mires. The most prominent objects of the Endla Nature Reserve are the raised bogs, characteristic for northern temperate bogs. The largest bogs are Linnusaare (1250 ha), Endla (1100 ha) and Kanamatsi bog (690 ha), while smaller Männikjärve bog (208 ha) is located to the east of Linnusaare bog ( Figure 1). The bogs are of limnogeneous origin with ecotopes of elongated ridges, pools, hummocks, lawns. and hollows microforms. The thickness of the peat is 3-6 meters, occasionally more than 7 m.
The open bogs are mainly Sphagnum-dominated ridge-hollow-hummock ecotopes, whereas in the central parts ridge-pool ecotopes are dominant with Pinus sylvestris trees (up to 5 m) growing abundantly on ridges between the pools. Marginal areas of bogs are wooded (Pinus sylvestris) or covered by bog forest (tree height 15-20 m) resulting mainly from drainage by the ditch network or surrounded by forest covered transitional bogs or fens.
Long term (1881-2018) mean annual air temperature at Tooma Mire Station is 4.5 °C. In February, the mean monthly air temperature is −6.8 °C and in July 16.8 °C. Monthly precipitation is unevenly distributed with minimum in winter and spring (<40 mm), maximum in summer and autumn (51-88 mm). The long term mean annual precipitation is 660 mm. Measured evapotranspiration during the vegetation period (May to October) in 2018 from bog and pool surface were 266.8 and 462.1 mm, respectively. Bog surface freezes normally in December and thaws in end of April [ 40].
The growing season spans from April to October. The bog water table is highest during snowmelt (April). Due to high discharges and evapotranspiration, the water table lowers rapidly in May and June, reaching the minimum level usually in July or August. In autumn precipitation induced pore water recharge increases the water table but it does not reach the spring maximum. In December the bog surface freezes and precipitation in the form of snow establishes snow cover. The frozen surface hinders infiltration of snowmelt water until the surface thaw in spring, causing secondary minimum in the water table in winter.
2.2. Water Table and Meteorological Data
The water table data were collected at Tooma Mire Station by the Estonian Environment Agency. The time series of Tooma Mire Station are collected on a routine basis along hydrological monitoring transects on Männikjärve bog since 1950 and the east-west transect was extended onto Linnusaare bog at the end of 1970. Water table is monitored automatically daily both by staff gauges in pools and sampling wells in peat, thus ensuring temporal concurrence to the SAR data. The sampling wells and staff gauges are anchored to the sediment underlying the peat layer. Water table is defined relative to the absolute surface height, corresponding to the average surface of the ecotope around the sampling well [ 40]. In this study, the average daily water table data from 24 October 2017 to 18 December 2018 were used and only the wells and staff gauges situating in the area classified as bog (open or wooded) were considered.
The meteorological data are provided by the Estonian Environment Agency. Meteorological observations were conducted from May to October at the meteorological station in the central part of Männikjärve bog and year-around at the main station on mineral soil located 1 km south-east. We used summarised daily precipitation value and air temperature measured at 6 p.m. local time, being closest to the SAR acquisition time, from the period of 24 October 2017 to 18 December 2018.
2.3. Land Cover Data
2.4. SAR Data
Our dataset comprises 18 Sentinel-1 (C-band) VV-polarization Interferometric Wide swath mode (IW) Single Look Complex (SLC) images acquired by satellite Sentinel-1A in ascending orbit (relative orbit number 160) covering 13 × 13 km 2 in Endla mire complex from 24 October 2017 to 18 December 2018. The images were acquired with an incident angle about 39° and pixel spacing in range (rg) and azimuth (az) of 2.33 × 13.88 m and spatial resolution about 3.1 × 22.4 m (rg × az) in sub-swaths IW2 [ 42]. The acquisition time is around 15.56 UTC, corresponding roughly to 18.00 EET and 19.00 EEST (the Eastern European Summer Time being the local time for most of the acquisitions used in our study).
The dataset covers the growing season. Winter images from November 2017 to March 2018 are omitted because of the snow cover. The minimum and the maximum temporal baseline from the common master image of 28 May 2018 is 12 days and 216 days, respectively. The interferometric baselines vary between −82 and 106 m with respect to the common master image of 28 May 2018 ( Table 1). VV data are used in the processing as the sensitivity to variations in soil moisture has been reported to be stronger in co-polarized mode, whereas vegetation volume scattering dominates in cross-polarization [ 43, 44, 45].
3. Methods
3.1. Coherence Estimation
We created 11 Differential Interferometric Synthetic Aperture Radar (DInSAR) [ 46] coherence image pairs which cover the growing season with roughly a monthly step. All the pairs are calculated from the single master image acquired on 28 May 2018 (no precipitation). The master image was chosen to ensure the highest InSAR coherence over the full stack while being as close as possible to the maximum water table after the snow melt in spring. Images before 28 May 2018 did not show sufficient coherence. After InSAR processing, the outputs were masked based on the land cover data and thereafter related to in situ water table data.
Coherence processing was executed with the European Space Agency’s (ESA) SNAP software version 6.0.0 [ 47]. The guidelines for Sentinel-1 TOPS DInSAR processing [ 48, 49, 50] were followed for coherence estimation in SNAP. The SNAP processing chain consisted of: S1 TOPS Coregistration with ESD, Coherence estimation (integrated with Topographic Phase Removal), TOPS Deburst and Range-Doppler Terrain Correction. SRTM 1 sec and bilinear interpolation were used for coregistration and terrain correction; the shifting window size for the coherence estimation is 3 in azimuth and 10 in range direction (3 × 10 pixels); no multi-looking was applied; EPSG:3301 (Estonian Coordinate System of 1997) was used.
3.2. DinSAR Processing
We used SARProZ software package [ 51] and Matlab for the conventional DInSAR processing to create 11 image pairs with the common master image from 28 May 2018. The analysis was performed in SAR slant range pixel coordinates in order to preserve phase values as much as possible. A 3 × 10 pixel window was used for coherence calculation, while for phase filtering with Goldstein filter [ 52] a larger 15 × 30 pixel filtering window was used. The interferograms were flattened with local Topographic Phase Removal, in order to present only LOS altitude differences. A temporal long term interferometric stack containing 11 date pairs over the growing season of 2018 was produced with reference to 28 May 2018. The stack contains, coherence amplitude images, interferometric phase images and unwrapped height difference images as well as masks for the open bog land cover type in SAR image coordinates.
3.3. Data Analysis
The InSAR coherence time series of the growing season were analyzed in R software (version 3.6.1) to identify spatio-temporal dynamics of coherence to identify factors (water level, land cover, precipitation, temperature) which affect decorrelation. The Shapiro-Wilk test was used to analyse data distribution, the Mann-Whitney U test (also known as the Wilcoxon rank-sum test) was used to compare samples, and the Spearman’s rank-order correlation was applied for not normally distributed data to evaluate correlation, and regression analysis to estimate relationship between variables were applied. All computed statistics were considered to be statistically significant if p value < 0.05. For non-linear regression model, Root Mean Squared Error (RMSE) was calculated.
Thereafter, correlation and regression analysis were performed to examine the relationship between the time series of temporal coherence and the water table measurements and between coherence and meteorological data (air temperature, precipitation variations). Based on the coherence thresholds chosen according to our data and the literature [ 28, 50, 56], the spatial correlation between land cover and pixels of high coherence (≥0.5 and upper decile of the open bog pixels) and low coherence (≤0.25 and lower decile of the open bog pixels) was mapped. Also, the spatial DInSAR analysis was carried out. The unwrapped long term displacement maps were compared to land cover and water level data to evaluate capability of DInSAR to capture the bog breathing. Correlation and regression analysis ware used.
4. Results
4.1. Seasonal InSAR Coherence in Endal Mire Complex
Moreover, the open bog display temporal variance in coherence-better correlated with the master image in the spring and the preceding and following autumn, while displaying low coherence in the summer, though the latter has shorter temporal baseline ( Figure 2). All the open bogs in the Endla mire complex follow this dynamic and display the strongest average decorrelation in July when the water table is the lowest and backscatter therefore most affected by aeration of the peat layer. Precipitation and temperature might have effect on interferometric coherence (e.g., [ 57]). The reduction in coherence in December can be attributed to snowfall (total amount of precipitation water 5.4 and 1.0 mm) on 18 December and a day earlier, respectively. Other than that, the coherence does not display correlation to precipitation and the air temperature is not correlated either ( Figure 3). The restored open bog site does not follow the pattern of coherence recovery characteristic to the natural open bog, probably due to the fact that the peatland restoration process e.g., damming ditches was still in progress in 2018 and water level dynamics was affected by different processes. Therefore this area is excluded from further analysis.
Any other natural land cover type do not display a comparable recovery in coherence as seen in Figure 4. The coherence of bog pools display only a slight recovery later in autumn. For the wooded bog, the lowest coherence values occur similarly to the bog pools in August and September and the coherence pattern may indicate slight signs of recovery in later autumn. The coherence of forested land fluctuates steadily around low values.
4.2. Seasonal Water Table Dynamics in Peat in Endla Mire Complex and Long Term Coherence
The water table recorded by sampling wells in peat and staff gauges in bog pools behave differently. The lowest WT in the wells in both Linnusaare and Männikjärve bog were observed with no exception in July ( Figure 5a). Water level dynamics in all sampling wells were strongly correlated ( ρ = 0.928-0.995, p < 0.05), whereas in Linnusaare bog ρ is 0.958-0.975 and in Männikjärve ρ is 0.928-0.986. Nevertheless, the magnitude of the WT dynamics relative to bog surface is different in sampling wells (observed WT between 12 and 79 cm below the ground, corresponding to the seasonal water level range of 29-51 cm). The water table in bog pools measured by staff gauges located in central parts of bog experienced seasonal change in WT in range of 36-43 cm (correlation ρ = 0.861-0.994). The lowest WT measured by the staff gauges in the pools occur in August when the WT in the sampling wells in peat have already turned to rise ( Figure 5b). The phenomenon of staff gauges lagging behind wells is partly related to relatively large quantity of of non- or less-transpiring biomass (litter, reduced transpiration from trees, Vaccinum and Ericaceae sheltering the ground) in second half of the summer sheltering the ground, resulting in higher resistance to evaporation compared to the open surface of pools [ 58, 59]. Also, in July when the water table in the wells is the lowest, the mean coherence of the open bog area (calculated relative to a single master image of 28 May 2018) is the lowest as well. The larger is the difference form from the reference water level (corresponding to the day of the master image, 28 May 2018) the lower is the coherence.
However, correlating the water level in sampling wells directly to coherence of the corresponding pixel does not display clearly correlated pattern. Even if the coherent-most nearby pixel (let it be called adjusted well pixel) is chosen instead, patterns are not related between the coherence time series of the individual pixel and water table in the corresponding well in this spatial scale. The decorrelation results from variances in micro relief and size of microtopes several times less than the pixel size, vicinity of pools or presence of trees which causes randomness at a single pixel level. Though, by averaging all the pixels extracted as described (coherent-most nearby pixels to the wells and thus representing ecotope), the correlation appears to follow again the same dynamics as simple averaging over the whole open bog does ( Figure 6 a). The correlation between the time series of mean coherence in the open bog and the mean coherence of the adjusted well pixels is 0.845 (p < 0.05), correlation between the coherence of open bog and the well pixels is 0.745 and 0.682 between well pixels and adjusted well pixels.
The second degree polynomial regression model ( Figure 6b) describes the relationship between the coherence and water table (RMSE = 0.041 for ). Coherence of 18 December 2018 is omitted from calculation of regression as an outlier because its low coherence value is due to two consecutive days of snowfall. The WT changes above the reference water level (28 May 2018) relate to higher coherence values compared to WT changes below the reference, as the image pair of 16 May-28 May displays higher coherence than 9 June-28 May despite having larger WT difference at equal temporal baseline. Similarly, 25 September displays lower coherence compared to 31 October though the difference from the reference WT is notably smaller for the image in September ( Figure 5b). This indicates that the direction of the water table change may be important to be considered and a linear regression model may not be applicable. Alternatively, if to presume the direction of the change is not important and both increase and decrease in soil moisture produces the same coherence loss [ 36], the linear model with the absolute values of water table difference could be meaningful ( R2 = 0.333, p = 0.081).
4.3. Spatial Dynamics of Long Term Coherence for Areas of High and Low Coherence
Masking in only the pixels of higher mean coherence (≥ 0.5 threshold set according to our data and the literature [ 28, 50, 56]; upper 10% percentile of the open bog pixels) reduces the number of pixels containing backscatter from trees or neighbouring pools (pools themselves are masked out by default). The pixels of higher mean coherence are concentrated to the most homogeneous hummocks dominated ecotope with low micro relief and no pools and hollows ( Figure 7). In central parts of the bogs the highest coherence is observed for regions dominated by hummocks and lawns, only occasionally in areas dominated by extensive hollows. The temporal dynamics of pixels of higher mean coherence and the dynamics of averaged coherence of the open bog are strongly correlated (0.900, p < 0.05). The lowest coherence ( ≤ 0.25; lower 10% percentile of the open bog pixels) occurs in the vicinity of pools and ridge areas with higher tree canopy cover in central parts of the bogs and in bog margins close to the wooded bog or peatland forests ( Figure 7). The temporal dynamics of pixels of lower mean coherence and the dynamics of averaged coherence of the open bog are strongly correlated (0.873, p < 0.05). Correlation between the dynamics of pixels of lower and higher mean coherence is 0.736 (p < 0.05).
In addition, we experimented with only those pixels which remain coherent over a given threshold value in each image. Although the open bog area does not contain any persistent scatterers as there are no pixels with a value over 0.65 through all images in period 24 October 2017-18 December 2018, there are only 62 pixels in the open bog land cover class maintaining coherence over 0.5 in each of the images of the full stack. Nevertheless, the results from such extraction of the open bog pixels which maintain coherence over 0.5 in every image of the stack follow the temporal dynamics of coherence change similar to method of simply averaging pixels value over the open bog land cover class (correlation 0.891, p < 0.05). However, such a reduction of available pixels for analysis is a notable undesirable aspect of strict coherence-based thresholding.
4.4. DInSAR Phase Measurements over the Open Bog
As previously shown, SAR images stay coherent over open bog areas for over half a year. This allows deriving the phase differences by using DInSAR technique, allowing potential high accuracy estimation of bog surface vertical movements, so-called bog breathing. The DInSAR phase errors introduced by atmosphere are still a known limitation though in most weather conditions the atmosphere induced errors should stay relatively constant over a few kilometers [ 60, 61, 62]. On the other hand, the surface of the bog cannot move arbitrarily. Thus, the possible displacement shall always be moderate and continuous, as the bog surface is always continuous. Following those assumptions, phase unwrapping can be performed locally in smaller area and displacement estimates can be derived. Another challenge for DInSAR phase estimation is the low signal and low coherence for open water areas (bog pools) and trees. Considering the above mentioned factor, we used coherence weighted phase filtering (Goldstein Phase Filtering [ 52]), unwrapped the phase and calculated DInSAR displacement maps over the growing season (snow free period May 2018 to November 2018) as shown in Figure 8.
The reduction of coherence in summer months caused by lower water table, further amplified by presence of bog pools and ridge areas with higher tree canopy cover are noticeable, especially in August when the phase map is the noisiest and cannot be relied upon. The DInSAR performed best locally in bogs without open water and ridge areas with higher tree canopy cover, such as Kanamatsi bog. Displacement maps reveal membrane-like dynamics for the bog surface, where the central area of the bog surface has larger elevation changes (deformations up to 2 cm relative to the tie-point used) while the border areas have smaller changes. This is in good agreement with the structure of the bogs and expected bog surface vertical movement due to changing water content in porous peat matrix in the middle part of the raised bog [ 63, 64, 65]. DinSAR phase image can have biases over larger area and therefore absolute height difference is difficult to be measured. However, for smaller areas it can be assumed that some areas are not moving and movement can be locally calibrated.
Based on our preliminary results ( Figure 8), it can be concluded that DInSAR is able to capture seasonal peat surface dynamics in open bogs while the other land cover classes do not maintain sufficient coherence for successful implementation of the method. To analyse the vertical dynamics of the peat surface, we studied the vertical bog surface profile along a cross-section of Kanamatsi bog. Kanamatsi bog is chosen for method demonstration due to its smallest concentration of bog pools reducing InSAR coherence. The bog pools and tree growth in surrounding ridges cause phase decorrelation and discontinuities in otherwise continuous reliable phase surface of the open bog area. To avoid or keep as low as possible such discontinuities and to form a uniform field for phase reconstruction we selected an open bog best suitable for DInSAR from the area. The Kanamatsi bog has the most homogeneous land cover (hummocks dominated ecotope) and few pools compared to the other bogs in the mire complex. Only in Kanamatsi bog, being almost without trees and pools, a continuous reliable phase surface formed also in middle parts of the bog, which could be related to a tie point. Despite the water table has not been measured in Kanamatsi the average WT from nearby Linnusaare and Männikjärve bogs can be used for comparison, and as shown in Figure 8 the general seasonal pattern of the vertical displacement in Kanamatsi is in good accordance with these bogs. Figure 9a shows the profile and the DInSAR displacement map for Kanamatsi bog in September. Bog surface elevation change profiles were extracted from all displacement images from period 16 May 2018-24 November 2018 ( Figure 9b). The atmospheric effects were accounted for by a simplified approach of using a tie-point from the profile which was assumed to be the zero displacement in all the images. This tie-point is taken from the bog margin where peat layer is shallow and bulk density high, tree growth already occurs and which is away from dynamic area in the middle of the bog with thick layer of porous water filled peat with low bulk density. Using such a local tie point, the displacement profiles from different image pairs can be bundled and simple comparison with water level changes can be made. Regarding the direction and amplitude of the displacement, the DInSAR image stack with single master is internally coherent. The displacements (calculated independently for every image pair) agree in general terms with each other ( Figure 9 b). Exception here is 8 August which had the lowest water table in the sampling wells out of all the SAR acquisition dates we processed and when the coherence was so low that it was not possible to derive reliable phase estimate.
To visualise the bog surface height seasonal dynamics, we chose a point on the profile and show the displacement as a single point time series in Figure 10a related to the mean water level change from the sampling wells ( Figure 10b). The relationship is described by the linear regression model ( R2 = 0.59; the image pair of 28 May-8 August as an outlier omitted). The result is indicative as it depends on tie-point and transect placement. However, the behavior of displacement of the point in general agrees with the expected bog breathing which follows the dynamics in water table, showing surface subsidence in the centre of bog for dry summer and uplift in autumn when peat pores recharge with rain water. August, because of its low phase correlation can be considered to be an outlier. The figure indicates also that the range of phase center dynamics on the peat surface is only in magnitude of one tenth of the water level change. Kanamatsi bog with its consistent displacement pattern over entire season (decorrelated August excluded) suggests that the observed displacement is real.
5. Discussion
We also demonstrated that besides sustaining InSAR coherence over a longer time period, there is a temporal variance in coherence over the open bog. To the best of our knowledge, such a recovery of long term temporal coherence in natural vegetated landscapes, except form decorrelation caused by snow cover or due to temporal inundation (for example [ 33, 69]), has not been shown previously. The return of short term temporal coherence (with respect to a single master image) to higher values has been reported in agricultural fields where soil moisture and coherence displayed similar temporal behaviour [ 70]. However, we showed the variable nature of long term coherence in the peatland to be following the water table dynamics. Previously, the close relationship between changes in SAR backscatter intensity σ0 and ground water table in peatlands has been demonstrated [ 32, 34, 35]. Herewith, Kasischke et al. [ 71] found the correlation of σ0 to groundwater depth existed only in open fens but not in a forested fen, which is in accordance with our results for the bog. Also, the phase changes have been tried to be related to peatland ground water table dynamics [ 32]. Nevertheless, the approach of relating WT in peat through consequent soil moisture content [ 30, 34] to coherence is novel. In general, interferometric coherence is known to be influenced by temporal decorrelation, volumetric decorrelation, ground changes and soil moisture, rising a legitimate doubt about possibility of direct quantification of the soil moisture from the coherence [ 72]. However, due to the stable nature of the vegetation in the open bog, we consider such a study worth to be undertaken and the results, whether quantitative or qualitative, are possibly beneficial for monitoring seasonal dynamics of water content in bogs could improve models of GHG exchange in peatland soil-atmosphere system.
The different methods we tested in this study to relate peat WT dynamics to InSAR coherence over a landscape scale gave comparable results, hence the simplest model of averaging coherence of all the pixels in domain could be optimal. The open bog land cover mask, if not available from a predefined land cover classification, could be derived from ancillary remote sensing sources [ 73, 74] or, based on the findings of this paper, the InSAR coherence could be used for discrimination. Despite demonstrating the correlation between coherence and the peat WT dynamics in the open bog, we did not find it to be linear. That may indicate slow temporal decorrelation and importance of direction of water table change over the mere absolute value of change as peat moisture reacts differently during pore water discharge and recharge, in regard to coherence retention. Nevertheless, the images from late autumn (31 October, 24 November) with WT notably higher than the reference (28 May 2018) show better correlation than 25 September image with only slightly lower WT than the reference, while the latter has also a shorter temporal baseline. Also, the image pairs with 28 May 2018 as master image display higher coherence values than comparable pairs with 16 May or 9 June as master despite the latter have smaller WT difference (9 June-25 September; 16 May-31 October; 16 May-24 November). All that indicates that in regard to coherence retention, more important than the sole WT change (relative to the reference WT of master image) could be the initial WT depth of the chosen master image or the initial soil moisture. Accordingly, the soil moisture model for bare agricultural lands by De Zan et al. [ 36] showed the magnitude of coherence and phase changes to depend on the image taken as a reference. However, further analysis is required to identify factors related to choosing the optimal master image.
SAR mostly does not receive backscatter directly from the ground water table but records soil humidity that has a close relationship to WT [ 32, 35]. The relationship for backscatter intensity σ0 in peatlands has been found to be weaker or partly disappearing in summer, possibly in relation to the reduced capillary water rise at deeper water table [ 35]. Furthermore, peat acts differently depending on whether the water content is decreasing or increasing [ 65]. Firstly, the bog surface tends to be higher when drying out (spring and summer) and lower when pores are recharging (in autumn) at the comparable peat water table [ 65]. However, coherence magnitude is insensitive to displacements [ 75]. Secondly, when the water saturated peat dries, pores are filled with air but when pore water recharge happens in autumn and the water table is restored, some pores stay filled with air [ 76]. The lower soil moisture content causes lower dielectric constant [ 44, 77] which in turn results in weaker σ0 [ 38, 78] and deeper vertical propagation of the radar signal into the soil [ 36, 78, 79]. Soil moisture induced changes in signal penetration depth up to 60 mm have been shown for C-band SAR [ 80]. Nevertheless, changes merely in penetration depth do not contribute to the phase changes but only to coherence loss [ 36]. However, no quantitative research of SAR penetration into peat is so far available [ 44].
The moisture-dependency of phase changes and coherence loss [ 81] were shown to be linked to soil moisture content in agricultural lands [ 36, 82, 83], whereas if vegetation is present the water status of plants also contributes [ 72, 84]. Furthermore, as decrease in soil moisture causes a decrease in the optical path to the sensor [ 85], during dry summer months the real surface subsidence may be masked by spurious drying-induced uplift corresponding to 20-30% of the radar wavelength [ 70, 75]. The latter could partly explain why the summer image pairs show smaller displacement than the 28 May-13 September image pair in the single point time series form Kanamatsi bog. It could also contribute to explanation why 28 May-8 August, which corresponds to the lowest average WT, performs as an outlier among bog surface profile and in the single point time series. In our test site, the WT in peat fluctuated between 12-79 cm below the surface, indicating the potential of both bog breathing and differences in humidity, possibly to contribute to the dynamics of phase changes. However, as we do not possess in situ data of peat surface oscillation, our study cannot neither reveal the accuracy of displacement estimation nor the magnitude of contribution from soil moisture to phase changes obtained by the DInSAR method.
Reliable phase measurements for estimating seasonal oscillation of peat surface (or WT table dynamics in peat) in northern raised bogs have not been demonstrated previously. The seasonal surface oscillations in magnitude of up to ∼2 cm presented by Zhou et al. [ 24], using Stanford Method for Persistent Scatterers (StaMPS) [ 86] were encouraging, though not validated with in situ measurements and showing disparity between ascending and descending orbits. However, Rawlins et al. [ 27] demonstrated the usability of Intermittent Small Baseline Subset (ISBAS) technique [ 87] for long-term peatland deformation monitoring, Cigna et al. [ 28] concluded with the need for further research to also gain reliable non-linear deformation results with ISBAS. Kim et al. [ 32], using the Small Baseline Subset (SBAS) technique [ 88, 89], did not succeed in phase unwrapping in the low vegetated shrub land in the Great Dismal Swamp, though they associated the phase changes with the groundwater table induced changes in soil moisture.
6. Conclusions
Understanding seasonal dynamics of peatland surface and volume, often referred to as bog breathing, and spatial dynamics of WT are key to improving spatial models of material flow at landscape level. The objective of this study was to examine the applicability of Sentinel-1 Interferometry (InSAR) to characterize seasonal dynamics of peatland surface and water table (WT) in peat over open raised bog areas in Endla mire complex in central Estonia, characteristic for northern temperate bogs. Our dataset comprised 18 Sentinel-1 (C-band) Interferometric Wide swath mode (IW) Single Look Complex (SLC) VV-polarized images acquired by satellite Sentinel-1A in ascending orbit (relative orbit number 160) from 24 October 2017 to 18 December 2018. The dataset covered the growing season. Two small baseline InSAR stacks of 11 image pairs related to a common master image (28 May 2018) were computed, respectively for estimation of coherence magnitude and surface deformation. Correlation and regression analysis were performed to examine the relationship between the time series of temporal coherence and the WT measurements and meteorological data in the open bog. DInSAR analysis was carried out to identify the surface deformation over the season.
Our findings suggest that the InSAR long term temporal coherence could be used to describe seasonal ground water table dynamics in open bogs during vegetation periods and differentiate between mire types and ecotopes. We also conclude that DInSAR analysis has the potential to gauge seasonal vertical bog surface movements and volume change, due to sufficient long term coherence between SAR scenes. Further development of the DInSAR-based application should be undertaken in locations where the ground water table and soil humidity measurements and bog surface oscillation data are available. Also a improved temporal resolution is required to reveal details of the dynamics.
Author Contributions
Conceptualization, T.T., J.P. and A.K.; methodology, T.T., J.P., A.K. and R.U.; formal analysis, T.T. and J.P.; resources, A.K.; writing-original draft preparation, T.T.; writing-review and editing, J.P. and A.K.; supervision J.P., A.K. and R.U. All authors have read and agreed to the published version of the manuscript.
Funding
This study is part of the PhD research supported by the European Union from the European Regional Development Fund (ERDF). Also, the study was financially supported by the ERDF within “National Programme for Addressing Socio-Economic Challenges through R&D (RITA)”, Estonian Research Council grant PRG352 and State Forest Management Centre grant LLTOM17250.
Acknowledgments
The authors would like to thank Anto Aasa (University of Tartu) for helping with R, and also Datel AS (Estonia) and Juhan-Peep Ernits (Tallinn University of Technology) for providing computing capacity.
Conflicts of Interest
The authors declare no conflict of interest. The funders had no role in the design of the study; in the collection, analyses, or interpretation of data; in the writing of the manuscript, or in the decision to publish the results.
References
Gorham, E. Northern Peatlands: Role in the Carbon Cycle and Probable Responses to Climatic Warming. Ecol. Appl. 1991, 1, 182-195. [Google Scholar] [CrossRef] [PubMed]
Drösler, M.; Freibauer, A.; Christensen, T.R.; Friborg, T. Observations and Status of Peatland Greenhouse Gas Emissions in Europe. In The Continental-Scale Greenhouse Gas Balance of Europe; Dolman, A.J., Valentini, R., Freibauer, A., Eds.; Ecological Studies; Springer: New York, NY, USA, 2008; pp. 243-261. [Google Scholar] [CrossRef]
Parish, F.; Sirin, A.; Charman, D.; Joosten, H.; Minayeva, T.; Silvius, M.; Stringer, L. (Eds.) Assessment on Peatlands, Biodiversity and Climate Change: Main Report; Global Environment Centre, Kuala Lumpur and Wetlands International: Wageningen, The Netherlands, 2008. [Google Scholar]
Ojanen, P.; Minkkinen, K.; Alm, J.; Penttilä, T. Soil-atmosphere CO2, CH4 and N2O fluxes in boreal forestry-drained peatlands. For. Ecol. Manag. 2010, 260, 411-421. [Google Scholar] [CrossRef]
Joosten, H.; Tapio-Biström, M.L.; Tol, S. (Eds.) Peatlands: Guidance for Climate Change Mitigation through Conservation, Rehabilitation and Sustainable Use, 2nd ed.; Food and Agriculture Organization of the United Nations and Wetlands International: Rome, Italy, 2012. [Google Scholar]
Lees, K.; Quaife, T.; Artz, R.; Khomik, M.; Clark, J. Potential for using remote sensing to estimate carbon fluxes across northern peatlands-A review. Sci. Total Environ. 2018, 615, 857-874. [Google Scholar] [CrossRef] [PubMed]
Bourgeau-Chavez, L.L.; Endres, S.L.; Graham, J.A.; Hribljan, J.A.; Chimner, R.A.; Lillieskov, E.A.; Battaglia, M.J. 6.04-Mapping Peatlands in Boreal and Tropical Ecoregions. In Comprehensive Remote Sensing; Liang, S., Ed.; Elsevier: Oxford, UK, 2018; pp. 24-44. [Google Scholar] [CrossRef]
Zhou, Z. The Applications of InSAR Time Series Analysis for Monitoring Long-Term Surface Change in Peatlands. Ph.D. Thesis, University of Glasgow, Glasgow, UK, 2013. [Google Scholar]
Zhou, Z.; Waldron, S.; Li, Z. Integration of PS-InSAR and GPS for monitoring seasonal and long-term peatland surface fluctuations. In Proceedings of the Remote Sensing and Photogrammetry Society Conference Remote Sensing and the Carbon Cycle, London, UK, 5 May 2010; Volume 1. [Google Scholar]
Cigna, F.; Sowter, A.; Jordan, C.J.; Rawlins, B.G. Intermittent Small Baseline Subset (ISBAS) monitoring of land covers unfavourable for conventional C-band InSAR: Proof-of-concept for peatland environments in North Wales, UK. In Proceedings of the SPIE 9243, SAR Image Analysis, Modeling, and Techniques XIV, Amsterdam, The Netherlands, 21 October 2014; p. 924305. [Google Scholar] [CrossRef]
Rawlins, B.; Cigna, F.; Jordan, C.; Sowter, A.; Evans, C.; Robinson, D.; Team, T.G. Monitoring changes in surface elevation of blanket peat and other land cover types using a novel InSAR processing technique. In Proceedings of the EGU General Assembly Conference Abstracts, Vienna, Austria, 27 April-2 May 2014; Volume 16. [Google Scholar]
Dise, N.B. Peatland Response to Global Change. Science 2009, 326, 810-811. [Google Scholar] [CrossRef] [PubMed]
Asmuß, T.; Bechtold, M.; Tiemeyer, B. Towards Monitoring Groundwater Table Depth in Peatlands from Sentinel-1 Radar Data. In Proceedings of the 2018 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Valencia, Spain, 22-27 July 2018; pp. 7793-7796. [Google Scholar] [CrossRef]
Yin, Q.; Hong, W.; Li, Y.; Lin, Y. Analysis on Soil Moisture Estimation of SAR Data Based on Coherent Scattering Model. In Proceedings of the EUSAR 2014 10th European Conference on Synthetic Aperture Radar, Berlin, Germany, 2-6 June 2014; pp. 1-4. [Google Scholar]
Corr, D.G.; Rodriguez, A.F. Change detection using interferometric SAR data. In Proceedings of the SAR Image Analysis, Modeling, and Techniques II, Florence, Italy, 10 December 1999; Volume 3869, pp. 127-138. [Google Scholar] [CrossRef]
Estonian Land Board. Estonian Topographic Database. Geoportal. 2020. Available online: https://geoportaal.maaamet.ee/eng/Spatial-Data/Estonian-Topographic-Database-p305.html (accessed on 28 April 2020).
Collecte Localisation Satellites (CLS). Sentinel-1 Product Definition. Issue 2.7, S1-RS-MDA-52-7440. 2016. Available online: https://sentinel.esa.int/web/sentinel/user-guides/sentinel-1-sar/document-library/-/asset_publisher/1dO7RF5fJMbd/content/sentinel-1-product-definition (accessed on 29 April 2020).
Millard, K. Development of Methods to Map and Monitor Peatland Ecosystems and Hydrologic Conditions Using Radarsat-2 Synthetic Aperture Radar. Ph.D. Thesis, Carleton University, Ottawa, ON, Canada, 2016. [Google Scholar] [CrossRef]
Pampaloni, P.; Paloscia, S.; Macelloni, G.; Sigismondi, S. The potential of C- and L-band SAR in assessing vegetation biomass: ERS-1 & JERS-1 experiments. In Proceedings of the Third ERS Symposium on Space at the Service of Our Environment, Florence, Italy, 14-21 March 1997; pp. 1729-1733. [Google Scholar]
European Space Agency (ESA). Sentinel Application Platform SNAP. Available online: http://step.esa.int/main/toolboxes/snap/ (accessed on 26 May 2019).
Fielding, E.J. SAR Interferometry for Earthquake Studies. NASA; 2018. Available online: https://arset.gsfc.nasa.gov/sites/default/files/disasters/Adv-SAR/SAR-session4.pdf (accessed on 26 May 2019).
Braun, A.; Veci, L. Sentinel-1 Toolbox TOPS Interferometry Tutorial. ESA. 2020. Available online: http://step.esa.int/docs/tutorials/S1TBX%20TOPSAR%20Interferometry%20with%20Sentinel-1%20Tutorial_v2.pdf (accessed on 17 March 2020).
SARproZ. Available online: https://www.sarproz.com/ (accessed on 26 May 2019).
Tamm, T. Use of Local Statistics in Remote Sensing of Grasslands and Forests. Ph.D. Thesis, The University of Tartu, Tartu, Estonia, 2018. [Google Scholar]
Kont, A.; Endjärv, E.; Jaagus, J.; Lode, E.; Orviku, K.; Ratas, U.; Rivis, R.; Suursaar, Ü.; Tõnisson, H. Impact of climate change on Estonian coastal and inland wetlands – a summary with new wetlands. Boreal Environ. Res. 2007, 12, 653-671. [Google Scholar]
Ingram, H.A.P. Hydrology. Ecosystems of the World 4A. Mires: Swamp, Bog, Fen, and Moor. General Studies; Elsevier: Amsterdam, The Netherlands, 1983; pp. 67-158. [Google Scholar]
Kull, A. Buffer Zones to Limit and Mitigate Harmful Effects of Long-Term Anthropogenic Influence to Maintain Ecological Functionality of Bogs; Technical Report Stage II; University of Tartu: Tartu, Estonia, 2016; Available online: https://docs.wixstatic.com/ugd/6b6658_446958f4118b44a2a68812820c31119b.pdf (accessed on 26 May 2019).
Hayward, P.M.; Clymo, R.S. Profiles of water content and pore size in Sphagnum Peat, Their Relat. Peat Bog Ecol. Proc. R. Soc. Lond. Ser. B Biol. Sci. 1982, 215, 299-325. [Google Scholar] [CrossRef]
Rudant, J.P.; Bedidi, A.; Calonne, R.; Massonnet, D.; Nesti, G.; Tarchi, D. Laboratory experiments for the interpretation of phase shift in SAR interferograms. In Proceedings of the ‘Fringe 96’ Workshop on ERS SAR Interferometry, Valencia, Spain, 30 September-2 October 1996; Guyenne, T.D., Danesy, D., Eds.; printed 1997. Volume 2, pp. 83-96. [Google Scholar]
Fritz, C. Surface Oscillation in Peatlands: How Variable and Important Is It? Master’s Thesis, The University of Waikato, Hamilton, New Zealand, 2006. [Google Scholar]
Figure 2. Long term InSAR coherence () in Endla mire complex from 24 October 2017 to 18 December 2018 ( a– k) related to a single master image (28 May 2018) and an optical satellite image of the area in relation to land cover types ( l).
Figure 3. Air temperature ( a) and sum of daily precipitation ( b) are not significantly correlated with the magnitude of InSAR coherence in the open bog. The single master image of 28 May 2018 (no precipitation) has been used in coherence estimation.
Figure 4. Long term seasonal InSAR coherence by different natural land cover classes. Seasonal recovery of coherence is characteristic only to the open bog. Other land cover classes associated with bog (wooded bog and bog pools) display no or only marginal signs of recovery.
Figure 6. Mean coherence of the pixels marking the location of sampling wells compared to mean coherence of the entire open bog area ( a) and the regression between mean coherence of the open bog and mean water table in wells ( b). The common master image for coherence estimation is 28 May 2018. An image pair is indicated by acquisition date of the slave image. The well pixels are pixels which correspond to the exact location of the wells. The nearest-most pixels to the wells with highest average coherence are called adjusted well pixels as they are approximate locations of the wells ( a). The dynamics of the most coherent pixels (adjusted well pixels) agree with the mean of the open bog ( a). 18 December (marked with a triangle), being subjected to snowfall, has been omitted from calculation of the regression model ( b). RMSE is 0.041 for .
Figure 7. The location of coherent and non-coherent pixels in the landscape near the transect of water level measurements in Männikjärve bog and south-eastern part of Linnusaare bog in Endla mire complex. Pixels with the mean coherence ≥0.5 and ≤0.25 over the full stack are marked with red and orange points, respectively. Sampling wells are labeled with the well ID in a white circle and staff gauges with gray circle. Land cover classes are the same as in Figure 1.
Figure 9. Kanamatsi area of open bog DInSAR displecement map (28 May-1 September 2018) ( a) with a cross-section (red line) along which the elevation profiles were calculated; a black circle marks the location of control point for the single point time series (time series is shown in Figure 10). The temporal behaviour of the displacement along the transect is depicted on the right ( b). As seen, central area of the bog has bigger dynamics along the profile than areas close to the edge of open bog. In principle, the profiles of displacement can have random offset due to atmospheric effects. However, here the profiles are leveled to a common tie-point. The vertical red dotted line marks the location of control point for the single point time series (time series is shown in Figure 10).
Figure 10. ( a) Elevation changes (mm) of a chosen control point during the growing season in Kanamatsi bog (location of the point is shown in Figure 9a by a black circle and a red dotted line in Figure 9b) from 16 May to 24 November 2018 related to a single master image (28 May 2018) along with the mean water table change in the sampling wells (blue dotted line). The image pair 28 May-8 August, is marked as an outlier due to very low coherence. ( b) The linear regression between the same elevation changes (mm) and water level measurements (cm). The outlier is not included in the estimate.
Table 1. Sentinel-1 Interferometric Wide swath mode (IW) Single Look Complex (SLC) acquisitions used in this study and corresponding weather data (sum of daily precipitation (mm) and air temperature (°C) at 6 p.m. local time, all acquisitions obtained in ascending geometry, relative orbit number 160. Temporal and InSAR baseline are given relative to the single master image of 28 May 2018 (shown in bold) used in processing (either in coherence magnitude or DInSAR displacement estimation).
Date Baseline (Day) InSAR Baseline (m) Processing Precip. (mm) Air Temp. (°C) 28 May 2018 0 0 single master 0 21.9The Law Of Attraction Explained In Simple Terms – Luật Hấp Dẫn Giải Thích Bằng Các Thuật Ngữ Đơn Giản
Đối với bản thân mình mà nói, mình không tin tuyệt đối vào Luật hấp dẫn theo kiểu “Làm giàu không khó” nhưng mình tin vào Luật hấp dẫn ở khía cạnh cổ vũ con người suy nghĩ tích cực và lạc quan để có nguồn năng lượng tích cực, từ đấy thu hút những điều (bao gồm cả con người cũng như sự việc) vui vẻ trong cuộc sống. Bản thân các cụ ngày xưa cũng có câu “Ngưu tầm ngưu mã tầm mã”, “Nồi nào úp vung nấy”, … hay Luật nhân quả cũng như vậy. Tỉ dụ như mình tin là đến cuối cùng bạn sẽ giữ lại/thu hút xung quanh mình những người tương tự như bản thân, có nghĩa là nếu muốn thu hút những người cool và có ảnh hưởng tích cực đôi khi những gì mình cần làm chỉ là tự cố gắng trau dồi bản thân để cũng sống thật cool thôi. Nếu luôn sống tích cực, giữ năng lượng bản thân ở mức cao thì sẽ hút được những chuyện tích cực trong cuộc sống, và tất nhiên là ngược lại. Bên cạnh đó, những người có cùng tần số năng lượng sẽ hút nhau/ hợp nhau.
————————–
Rất nhiều người đang hiểu nhầm về khái niệm chính xác của Luật hấp dẫn (Law of Attraction – LOA). Cùng với việc ngày càng được phổ biến rộng rãi, trong suy nghĩ của nhiều người, LOA dường như là một định luật vô cùng đơn giản, không khác phép màu là mấy khi bạn chỉ cần hình dung những gì mình mong muốn và “Bùm!” – điều ấy sẽ ngay lập tức xuất hiện trước mắt. Thực tế thì không phải như vậy.
Định luật của Vũ trụ này trong thực tế phức tạp hơn những gì mà nó vẫn được giới thiệu trên các phương tiện truyền thông. Điều đáng thất vọng hơn cả là những lầm tưởng này đã khiến cho rất nhiều người cho rằng LOA là một thứ không có thật khi nó không đem lại kết quả như họ mong muốn một cách tức thì.
Định luật này luôn luôn hiện hữu trong cuộc sống và cũng chính là cách mà Vũ trụ điều khiển vạn vật từ trước đến giờ. LOA tương tự như Luật hấp dẫn (trọng lực), chúng ta không thể nhìn thấy bằng mắt và cũng gần như khó có thể nhận ra sự có mặt của nó. Tuy vậy, nếu bạn quan sát một cách kĩ lưỡng, bạn có thể thấy được cách mà LOA đang hoạt động trong cuộc sống của chúng ta.
Học cách chủ động áp dụng Luật hấp dẫn một cách có ý thức để cải thiện cuộc sống của mình là một quá trình đòi hỏi thời gian. Không chỉ là một kĩ năng cần được rèn luyện, quá trình áp dụng và biểu hiện cũng cần có thời gian nhất định đòi hỏi sự kiên nhẫn.
Tất cả mọi thứ đều là Rung động
Khái niệm đầu tiên mà bạn cần chú ý là hiểu được quy luật cốt lõi của vũ tru – quy luật rung động. Tất thảy mọi thứ từ những ngôi sao và hành tinh vĩ đại trong không gian cho tới những hạt cát li ti, tất cả đều đang ở trong trạng thái rung động liên tục.
Điều này có vẻ rất khó tin khi mà mọi thứ quanh ta dường như luôn đứng yên một cách bền vững. Nếu như tất cả mọi thứ đều đang rung động, tại sao tôi không thể đưa tay mình xuyên qua chiếc máy tính mà tôi đang gõ phím này đây? Câu trả lời nằm ngay ở khái niệm tần số và sự sắp đặt.
Bộ não của con người là một thực thể vô cùng thông minh khi liên tục tiếp nhận những rung động xung quanh ta, học cách chuyển những rung động này vào thực tế đời sống theo cách mà chính ta cũng không thể nhận ra. Hãy thử suy nghĩ về những màu sắc mà bạn nhìn thấy. Nếu bạn đã từng học bất kì một môn khoa học nào, bạn sẽ biết màu sắc thực tế chỉ là sự rung động tại một tần số xác định. Thế còn những âm thanh mà bạn nghe thấy thì sao? Thực tế chúng không gì khác chính là những rung động mà não bạn đã chuyển tải theo một cách hợp lý.
Từ những kiến thức này, có thể chỉ ra rằng: toàn bộ thực tại chính là những gì nằm trong đầu bạn. Đây chính là trường hợp câu hỏi nổi tiếng “Nếu một chiếc cây đổ trong rừng và không có ai ở đó lắng nghe, liệu nó có tạo ra âm thanh hay không?”. Ý tưởng của giả thiết này là bạn không thể trải nghiệm thực tế nếu không chủ động nhận thức, đây cũng chính là cốt lõi của Luật hấp dẫn.
Kể cả sau khi bạn có bằng chứng chứng minh rằng tất cả mọi thứ xung quanh mình đều là những rung động, dường như vẫn rất khó để ta tin vào điều này xét theo khía cạnh cảm giác. Việc chấp nhận sự thật một cách lý trí thực tế vẫn còn rất khác với việc thực sự tin và áp dụng nó vào cuộc sống của mình.
Hãy tiếp tục, mọi thứ sẽ bắt đầu trở nên dần hợp lý.
Để bắt đầu kiến tạo thực tế của mình một cách lý trí, hãy bắt đầu tin rằng tất cả mọi thứ đều là sự rung động. Dành một chút thời gian trong ngày, ngồi lặng lẽ và thử cố gắng hình dung sự rung động bản chất của mọi thứ xung quanh bạn. Hãy giữ sự tĩnh lặng trong trí óc và cảm nhận sự rung động của âm thanh và không khí quanh bạn. Loại bỏ bất kì sự nghi ngờ nào bạn có trong chỉ vài phút và hãy thử xem, tôi tin bạn sẽ phải bất ngờ.
Những thứ tương tự sẽ hấp dẫn nhau
Khái niệm thứ hai cần nắm bắt đó là nguyên lý cốt lõi của Luật hấp dẫn: mọi thứ có chung tần số rung động sẽ thu hút lẫn nhau. Hãy nghĩ về hai giọt nước đang dần dần chuyển động về phía nhau. Điều gì sẽ xảy ra khi chúng tiến tới gần nhau hơn? Chúng sẽ dần trở nên gần nhau đủ để hút lẫn nhau và trở thành một giọt nước duy nhất thay vì hai giọt nước riêng biệt. Điều này xảy ra là do chúng có rung động tương tự nhau. Bây giờ, hãy suy nghĩ về hiện tượng tương tự với một giọt nước và một giọt dầu. Dù bạn có cố gắng đưa chúng gần nhau thế nào đi chăng nữa, hai giọt chất lỏng này sẽ không bao giờ hợp lại thành một bởi vì rung động của chúng quá khác biệt so với nhau.
Đây là ý tưởng chính của Luật hấp dẫn. Nếu bạn muốn mang tới một thứ gì đó tới cuộc sống của mình, bất kể là thứ gì, hãy bắt đầu sự rung động ở tần số phù hợp với hiện tại của mình.
Hãy suy nghĩ về điều này!
Nếu như 1) Mọi thứ đều là những rung động, 2) Những rung động ở tần số tương tự nhau sẽ thu hút lần nhau, 3) Bản thân bạn có khả năng tự kiểm soát rung động của mình, vậy thì bạn sẽ gần như có thể kiểm soát mọi thứ trong cuộc sống của mình.
Vấn đề xảy ra mỗi khi chúng ta cố gắng để kiểm soát tình hình thực tế trong khi không hề điều chỉnh những rung động của bản thân trước tiên. Một tổng thể các thao tác cơ học không thể tạo ra thế giới mà chúng ta mong muốn nhìn thấy. Tất cả các hành động sẽ được hoàn thành bên trong chính nhận thức và suy nghĩ của cúng ta. Điều này có nghĩa là chỉ các hành động đơn lẻ sẽ không đem đến kết quả mà chúng ta mong muốn. Tuy nhiên, một lần nữa khi chúng ta có được khả năng điều chỉnh nhận thức theo tần số rung động mong muốn, thực tại của chúng ta sẽ nhanh chóng đi theo và phản hồi lại một rung động mới.
Hãy dành thời gian để suy nghĩ lại những ý tưởng này và kiểm chứng liệu chúng có hợp lý đối với bạn cả về mặt lý trí và cảm xúc hay không. Nếu bạn suy nghĩ kĩ bạn sẽ đi tới kết luận mà những nhà lãnh đạo vĩ đại nhất trong lịch sử nhân loại đều đã đưa ra, đó là chúng ta tự mình kiến tạo nên thực tế.
—————————-
Chia sẻ:
Tweet
Like this:
Số lượt thích
Đang tải…
Cập nhật thông tin chi tiết về Terms And Conditions For Sale Of Products And Services trên website Bac.edu.vn. Hy vọng nội dung bài viết sẽ đáp ứng được nhu cầu của bạn, chúng tôi sẽ thường xuyên cập nhật mới nội dung để bạn nhận được thông tin nhanh chóng và chính xác nhất. Chúc bạn một ngày tốt lành!